Enrutamiento Multicast Multiobjetivo basado en Colonia de Hormigas
|
|
- Emilio Santiago Moya Ponce
- hace 6 años
- Vistas:
Transcripción
1 Enrutamiento Multicast Multiobjetivo basado en Colonia de Hormigas Diego Pinto & Benjamín Barán Centro Nacional de Computación, Universidad Nacional de Asunción, San Lorenzo, Paraguay Resumen. Este trabajo propone la resolución del problema de Enrutamiento Multicast en un contexto Multiobjetivo con tres tradicionales algoritmos basados en Colonia de Hormigas. Estos fueron re-estructurados para optimizar simultáneamente cuatro funciones objetivos (la máxima utilización de los enlaces, costo, retardo medio y máximo de fin a fin), obteniendo un conjunto de soluciones óptimas o Frente Pareto sin restricciones a priori, en una sola corrida. Se realizaron simulaciones estáticas como también semi-dinámicas, comparando los resultados con un novedoso algoritmo evolutivo diseñado exclusivamente para el problema en cuestión. Con este trabajo se concluye que las nuevas versiones basadas en Colonia de Hormigas son alternativas válidas para el problema de Enrutamiento Multicast Multiobjetivo al lograr buenos resultados en comparación al algoritmo evolutivo. 1 Introducción Una transmisión Multicast consiste en el envío simultáneo o concurrente de datos desde una fuente a un conjunto de nodos destinos componentes de una red de computadoras [1]. En estos últimos años el problema Enrutamiento Multicast, que es tratada por la Ingeniería de Tráfico Multicast, se ha vuelto más importante debido a la creciente utilización de nuevas aplicaciones de transmisión punto a multipunto, como lo son la transmisión de radio y televisión, vídeo bajo demanda, tele conferencias y enseñanza a distancia, las cuáles necesitan requerimientos mínimos que garanticen una adecuada Calidad de Servicios. A partir de esta creciente tendencia, el retardo desde la fuente a cada uno de los destinos se torna una variable de vital importancia en transmisiones Multicast de audio y/o vídeo [2]. Otro punto importante en la Ingeniería de Tráfico Multicast son los costos del árbol, entendiéndose por costos otras métricas a ser minimizadas como: el número de saltos (hop count), utilización del ancho de banda, etc. De esta forma, la Ingeniería de Tráfico Multicast queda planteada como un problema multiobjetivo. Optimización por Colonia de Hormigas (Ant Colony Optimization - ACO) es una meta-heurística, propuesta por Dorigo et al. [3], que se inspira directamente en el comportamiento de las colonias reales de hormigas para solucionar problemas de
2 optimización combinatoria. ACO se basan en una colonia de hormigas artificiales, esto es, unos agentes computacionales simples que trabajan de manera cooperativa y se comunican indirectamente mediante rastros de feromona artificiales. Los algoritmos de ACO son esencialmente algoritmos constructivos: en cada iteración del algoritmo, cada hormiga construye una solución al problema recorriendo un grafo de construcción. Cada arista del grafo, que representa los posibles pasos que una hormiga puede dar, tienen asociados dos tipos de información que guían el movimiento de cada hormiga: - La Visibilidad, que mide la preferencia heurística de moverse desde un nodo a otro nodo teniendo en cuenta valores de costos. - Los rastros de feromona artificiales, que mide la deseabilidad aprendida del movimiento de un nodo a otro nodo. Imita a la feromona real que depositan las hormigas. Esta información se modifica durante la ejecución del algoritmo, dependiendo de las soluciones que van siendo encontradas por las hormigas. En este trabajo se presenta por primera vez, en un contexto multibojetivo, la reestructuración de tres reconocidos algoritmos basados en Colonia de Hormigas para la resolución del problema de Enrutamiento Multicast, y ellos son: - Multiobjective Max-Min Ant System (M3AS), basado en el conocido Max-Min Ant System (MMAS) que demostró su excelente desempeño en problemas monoobjetivos, especialmente en la resolución del problema del cajero viajante (Traveling Salesman Problem - TSP) y asignación cuadrática (Quadratic Assignation Problem - QAP) [4]. - Multiobjective Òmicron ACO (MOA), basado en el novedoso Òmicron ACO (OA) que experimentalmente obtuvo excelente desempeño en problemas monoobjetivos (incluso superando el desempeño al MMAS) especialmente en el TSP [5]. - Multi-Objective Ant Colony System (MOACS) [6], con resultados experimentales que demostraron que es el mejor algoritmo multiobjetivo basado en colonia de hormigas para el problema TSP bi-objetivo [7]. A modo de comprobar los resultados obtenidos con los ACOs (M3AS, MOA, MOACS), fueron realizadas pruebas experimentales (simulaciones) con varios grupos multicast en un ambiente estático y semi-dinámicos (con varios niveles de carga en la red) sobre la conocida red Nipon Telegraph and Telephone, Co. (NTT) de Japón [8]. Los resultados obtenidos fueron comparados con los obtenidos del algoritmo Multiobjective Multicast Algorithm (MMA) [9, 10, 11], que está basado en el algoritmo evolutivo de segunda generación Strength Pareto Evolutionary Algorithm (SPEA) [12]. Cabe destacar que el MMA fue recientemente publicado y representa uno de los exponentes del estado del arte en la construcción del árbol multicast en el contexto multiobjetivo. En lo que resta este trabajo queda organizado de la siguiente forma: en la Sección 2 se presenta el Problema de Optimización Multiobjetivo, quedando la formulación matemática del Problema de Enrutamiento Multicast en la Sección 3. En la Sección 4 se presentan las nuevas propuestas basadas en ACO. El ambiente experimental es presentado en la Sección 5 quedando expuestos los resultados experimentales en la Sección 6. Finalmente las conclusiones y trabajos abiertos son dados en la Sección 7.
3 2 Problema de Optimización Multiobjetivo Un Problema de Optimización Multiobjetivo (Multiobjective Optimization Problem MOP) general incluye un conjunto de n parámetros (variables de decisión), un conjunto de k funciones objetivo, y un conjunto de m restricciones. Las funciones objetivos y las restricciones son funciones de las variables de decisión. Luego, el MOP puede expresarse como: Optimizar y = f(x) = (f 1(x), f 2(x),..., f y (x)) sujeto a e(x) = (e 1(x), e 2(x),..., e e (x)) 0 donde x = (x 1, x 2,..., x x ) X y = (y 1, y 2,..., y y ) Y (1) siendo x el vector de decisión donde x representa su cardinalidad, mientras que y es el vector objetivo con cardinalidad representada por y. El espacio de decisión se denota por X, y el espacio objetivo por Y. Optimizar, dependiendo del problema, puede significar igualmente, minimizar o maximizar. El conjunto de restricciones e(x) 0, cuya cardinalidad es representado por e, determina el conjunto de soluciones factibles X f X y su correspondiente conjunto de vectores objetivo factibles Y f Y. El problema de optimización con un solo objetivo (Single Optimization Problem SOP) consiste en hallar la x que tenga el mejor valor de f(x). Dentro del contexto multiobjetivo no existe un único mejor valor, sino un conjunto de soluciones óptimas. Entonces, un nuevo concepto de optimalidad debe ser establecido para MOPs. Dado dos vectores de decisión u, v X f, en un contexto de minimización, se puede establecer la siguiente notación: f(u) = f(v) si y solo si i {1, 2,..., k}: f i(u) = f i(v) f(u f(v) si y solo si i {1, 2,..., k}: f i(u) f i(v) f(u) < f(v) si y solo si f(u) f(v) f(u) f(v) En este contexto, esta situación puede darse una de las siguientes tres condiciones, que permiten introducir los símbolos introducidos a continuación: u v (u domina a v) sí y solo sí f(u) < f(v) v u (v domina a u) sí y solo sí f(v) < f(u) u ~ v (u y v no son comparables) sí y solo sí f(u) f(v) f(v) f(u) Alternativamente, u v denota que v u o u ~ v. Dado un vector de decisión x X f, se dice que x es no dominado respecto a un conjunto Q X f si y solo si x v, v Q. En caso que x sea no dominado respecto a todo el conjunto X f, y solo en ese caso, se dice que x es una solución Pareto óptima. Por lo tanto, el conjunto Pareto óptimo X true puede ser definido formalmente de la siguiente manera: X true = { x X f x es no dominado con respecto a X f } (4) El correspondiente conjunto de vectores objetivo Y true = f(x true ) constituye el Frente Pareto óptimo. (2) (3)
4 3 Formulación del Problema La red es modelada como un grafo dirigido G = (V, E), donde V es el conjunto de vértices y E el conjunto de arcos. Los vértices del grafo representan nodos de la red, y los arcos representan los enlaces entre los nodos. Sea: - (i,j) E: Enlace entre los nodos i y j; i, j V. - t ij R + : Tráfico actual del enlace (i, j), en Mbps. - c ij R + : Costo del enlace (i, j). - d ij R + : Retardo del enlace (i, j). - z ij R + : Capacidad del enlace (i, j), en Mpbs. - s V: Nodo origen de un grupo multicast. - N r ={n 1,n 2, n Nr } : Conjunto de nodos destinos del grupo multicast. Donde. indica cardinalidad. - φ R + : Demanda de tráfico del grupo multicast, en Mbps. - T(s,N r ): Árbol multicast con origen en s y nodos destinos N r. - p T (s, n i ) T(s,N r ): Camino que conecta el nodo fuente s y el nodo destino n i. - d(p T (s, n i )): Retardo del camino p T (s, n i ), dado por la suma de los retardos de los enlaces que conforman el camino. Esto es, d( p T ( s, n )) = i d ij ( i, j) pt ( s, n i ) (5) Usando las notaciones definidas arriba, el problema de Enrutamiento Multicast puede ser definido como un MOP que trata de hallar el árbol multicast T(s,N r ) minimizando las siguientes funciones objetivos: 1. Máxima utilización del enlace: α T = Max {( φ + tij) / zij} (6) ( i, j) T 2. Costo del árbol: ( i, j) T C T = φ c ij (7) 3. Retardo máximo de extremo a extremo: 4. Retardo medio: DM { d( p ( s, n ))} T = Max T i (8) ni N r 1 DA T = d T, N r n i N r ( p ( s n )) sujeto a restricciones de capacidad en los enlaces: Note que y [α T C T DM T DA T ] mientras que x T(s, N r ). i ij ij (9) φ + t z ( i, j) T( s, ) N r
5 4 Algoritmos Propuestos basado en ACO Este trabajo propone resolver el problema de enrutamiento multicast multiobjetivo con algoritmos basados en ACO. Para lo cuál fueron seleccionados tres de los tradicionales algoritmos: Max-Min Ant System (MMAS) [4] y Òmicrom ACO (OA) [5] que son mono-objetivos, como también el Multiobjective Ant Colony System (MOACS) que es multiobjetivo [6]. Dichos algoritmos fueron modificados para el problema en cuestión, donde las características de las versiones originales y de las propuestas son presentadas en la Tabla 1. Tabla 1. Comparación entre las características de los algoritmos seleccionados y los algoritmos propuestos. Max-Min Ant System (MMAS) Optimización Mono-objetiva. Búsqueda de la mejor solución global. Niveles máximos y mínimos de feromonas. Elitista actualización de feromonas con la mejor solución hallada. Heurística de 1 visibilidad. Multiobjective MMAS (M3AS) Optimización Multiobjetiva (4 objetivos). Búsqueda del Frente Pareto. Niveles máximos y mínimos de feromonas. Elitista actualización de feromonas con el Frente Pareto hallado. Heurística de 3 visibilidades (costo, retardo y tráfico actual). Multiobjective OA (MOA) Òmicron ACO (OA) Optimización Mono-objetiva. Optimización Multiobjetiva (4 objetivos). Búsqueda de la mejor solución global. Búsqueda del Frente Pareto. Mantiene un conjunto ordenado de mejores soluciones. Mantiene un conjunto ordenado de Frentes de soluciones. Niveles máximos y mínimos de feromonas. Sin imposición de niveles de feromonas. Elitista actualización de feromonas con el conjunto Elitista actualización de feromonas con los de ordenados de soluciones. Frentes de soluciones ordenados. Heurística de 1 visibilidad. Heurística de 3 visibilidades (costo, retardo y tráfico actual). Multiobjective Ant Colony System (MOACS) Multiobjective Ant Colony System (MOACS) 1 Optimización Multiobjetiva (3 objetivos). Búsqueda del Frente Pareto. Selección pseudo-aleatoria y evaporación de feromonas en línea de los enlaces durante la construcción de una solución. Heurística de 2 visibilidades. Optimización Multiobjetiva (4 objetivos). Búsqueda del Frente Pareto. Selección pseudo-aleatoria y evaporación de feromonas en línea de los enlaces durante la construcción de una solución. Heurística de 3 visibilidades (costo, retardo y tráfico actual). Los tres algoritmos propuestos tienen características comunes desde el punto de vista del funcionamiento como optimizadores. A continuación son citadas las similitudes: 1. Búsqueda del Frente Pareto utilizando solo una colonia de hormigas. 2. Búsqueda de soluciones es guiada por las feromonas como también por tres visibilidades (costo, tráfico y retardo) de cada enlace. 3. La probabilidad o deseabilidad de selección de un enlace aún no visitado y que cumpla con las restricciones impuestas por el problema, está dada por el siguiente ecuación: 1 El MOACS mantiene el mismo nombre por ser un algoritmo multiobjetivo. Sin embargo, note que por primera vez fue utilizado para optimizar cuatro objetivos simultáneamente utilizando 3 visibilidades.
6 Donde: η c ij d η ij t η ij β τ ij, λc λd λt N i pij = c λc d λd t λt β τ ij. ( ηij).( ηij ).( ηij) ) c λc d λd t λt τ ij. (( ηig ).( ηig ).( ηig ) ) g N i visibilidad por el costo del enlace (i,j), visibilidad por el retardo del enlace (i,j), visibilidad por el tráfico actual del enlace (i,j), β (i, j) E (10) influencia relativa entre las visibilidades y el nivel de feromonas influencia relativa de la visibilidad por costo, influencia relativa de la visibilidad por retardo, influencia relativa de la visibilidad por tráfico actual, conjunto de nodos vecinos factibles al nodo i en la que se encuentra a la hormiga. 4. Actualización de los niveles de feromonas es realizada utilizando soluciones del Frente Pareto. El MOA en particular además utiliza sus otros Frentes de soluciones. Esta actualización esta dada por la siguiente ecuación: τ ij = τ ij + τ k (i,j) T k (11) Donde: T k τ k τ = (12) k 1 f ( α Tk, CTk, DM Tk, DATk ) es la k-esima solución del Frente Pareto es el nivel de feromonas agregado al enlace (i,j) T k Podemos citar que en particular el MOACS se diferencia por utilizar una regla pseudo-aleatoria para la selección de los enlaces, durante la construcción de una solución. Además, la actualización de las feromonas depende del estado del Frente Pareto, es decir, si la colonia no halla nuevas soluciones optimas las feromonas se actualizan en función de las soluciones actuales del Frente Pareto, en otro caso se re-inicia los niveles de las feromonas [6]. En cambio el M3AS se caracteriza por imponer niveles máximos y mínimos a las feromonas de forma tal a prevenir la convergencia prematura [4]. El MOA se caracteriza por tener varios Frentes de soluciones que se encuentran ordenados por dominancia Pareto. La actualización de las feromonas es realizada en distintas proporciones para cada Frente. Es decir, las soluciones del primer Frente aportan más feromonas que la segunda, la segunda más que la tercera, etc. La Figura 1 presenta el esquema general del algoritmo M3AS. En la Figura 2 es mostrado el esquema correspondiente al MOA quedando finalmente expuesto el MOACS en la Figura 3.
7 Fig. 1. Esquema general del M3AS. Este algoritmo utiliza m hormigas para construir m soluciones utilizando la información de la matriz de feromonas y las visibilidades. Cada una de las soluciones es evaluada con respecto al Frente Pareto, si la solución es no dominada ésta es incluida siendo descartadas aquellas dominadas. Luego con las soluciones actuales del Frente Pareto es actualizada la matriz de feromonas limitado por un nivel máximo. Después de esta actualización se procede a evaporar las feromonas verificando que los niveles mínimos no sean superados. Este proceso sigue hasta que algún criterio de parada sea satisfecho. Fig. 2. Este algoritmo MOA utiliza m hormigas para construir m soluciones utilizando la información de las feromonas y las visibilidades. Cada una de las soluciones es incluida en el Frente en que no es dominada, eliminando aquellas soluciones que dominada. Luego con las soluciones actuales de los Frentes es actualizada la matriz de feromonas con una proporción distinta para cada Frente. Después de esta actualización se procede a evaporar las feromonas en todos los enlaces. Este proceso sigue hasta que algún criterio de parada sea satisfecho.
8 Fig. 3. El esquema general del MOACS se caracteriza por utilizar una colonia de m hormigas para construir m soluciones. Al término del recorrido de cada hormiga se evaporan los enlaces recorridos pertenecientes a la nueva solución. La actualización del Frente Pareto es igual que los anteriores algoritmos. La actualización de las feromonas es llevada a cabo si el Frente Pareto no fue modificado, en otro caso las feromonas son re-inicializadas. Este proceso sigue hasta que algún criterio de parada sea satisfecho. Note que los algoritmos anteriores son independientes al tipo de problema combinatorio a resolver. Para poder trasladarlo al problema que se desee, debe ser planteado un algoritmo constructor de una solución que represente el funcionamiento de cada hormiga de la colonia. En el caso particular del problema de enrutamiento multicast cada hormiga debe construir un árbol de expansión para el grupo multicast (s, N r ). Dicho algoritmo que representa a la hormiga multicast fue desarrollado en el marco de este trabajo y es presentado en la Figura 4. Inicio Construir Árbol Leer λ c, λ d, λ t,α,β, φ,τ ij, (s,n r) T = Ø /* T árbol en construcción N = s /* N conjunto de nodos de partida Repetir hasta que todos los destinos de N r sean alcanzados{ Seleccionar aleatoriamente un nodo i de N Crear lista de nodos vecinos factibles N i al nodo i Calcular las probabilidades p ij de la lista N i, según ecuación (10) Seleccionar nodo j utilizando Regla pseudo-aleatorio para MOACS o seleccionar aleatoriamente nodo j para M3AS y MOA. T = T (i, j) /* Enlace (i,j) adherido al árbol T N = N j /* Nodo j adherido al conjunto de partida } Fin repetir Podar Árbol T /* Se borran todos los enlaces no utilizados */ Retornar T Fin Construir Árbol Fig. 4. Algoritmo Construir Árbol. Inicialmente la hormiga multicast se ubica en el nodo fuente s. Luego en el ciclo principal construye una lista de nodos vecinos factibles no visitados asignando probabilidades de selección. Dependiendo del optimizador la hormiga selecciona el enlace con una regla pseudo-aleatoria para el MOACS y aleatoriamente para el M3AS y MOA teniendo en cuenta las probabilidades asignadas. Este proceso sigue hasta alcanzar todos los destinos de N r para luego eliminar los enlaces no utilizados y retornar una solución válida.
9 5 Ambiente Experimental Se realizaron pruebas experimentales sobre la conocida topología de red NTT de Japón [8], con varios tiempos de corrida y varios grupos multicast, los cuales son presentados en la Tabla 2. Estas pruebas se dividen en Estáticas y Semi-Dinámicas. En las pruebas estáticas se supone la red se encuentra totalmente descargada (sin tráfico), y los algoritmos deben responder a un solo pedido de grupo multicast. Esto se hace para verificar el correcto funcionamiento de los algoritmos y conocer su comportamiento con muy baja carga. El caso semi-dinámicos consistirá de pruebas con tres niveles de carga diferentes en la red (baja, media y alta) respectivamente. Los algoritmos deberán responder a un solo pedido de grupo multicast por vez. Este escenario es típico de las redes ópticas, donde los cambios de los grupos multicast no ocurren muy frecuentemente [13]. Los resultados de las pruebas experimentales también fueron comparados con el MMA [9, 10, 11], el cuál es un algoritmo evolutivo, diseñado especialmente para el problema Enrutamiento Multicast Multiobjetivo. Tabla 2. Grupos Multicast utilizados en todas las pruebas. GM* (s, N r) N r 1 {5}{0, 1, 8, 10, 22, 32, 38, 43, 53} 9 2 {4}{0, 1, 3, 5, 9, 10, 12, 23, 25, 34, 37, 41, 46, 52} 14 3 {4}{0, 1, 3, 5, 6, 9, 10, 12, 17, 22, 23, 25, 34, 37, 41, 46, 47, 52, 54} 19 4 {4}{0, 1, 3, 5, 6, 9, 10, 11, 12, 17, 19, 21, 22, 23, 25, 33, 34, 37, 41, 44, 46, 47, 52, 54} 24 *GM = Grupo Multicast. Debido que el frente óptimo Pareto real Y true necesita un tiempo computacional muy elevado, con lo que la búsqueda se vuelve impráctica, es necesario un frente Pareto aproximado Y apr con la cuál realizar las comparaciones de cada resultado. Los pasos realizados para obtener Y apr para cada grupo multicast en cada prueba son: 1. Cada algoritmo (M3AS, MOA, MOACS & MMA) fue ejecutado cinco veces y un promedio fue calculado para comparación a cada uno de los otros. 2. Para cada algoritmo, cinco conjunto de soluciones no-dominadas: Y 1, Y 2.Y 5 fueron calculados, uno para cada corrida. 3. Para cada algoritmo una súper población Y SP fue obtenida, donde Y =. U 5 SP Y i i= 1 4. Soluciones dominadas fueron borradas de Y SP, obteniendo el frente Pareto calculado por cada algoritmo, como sigue: Y M3AS (Frente Pareto obtenido con las cinco corridas, usando M3AS) Y MOA (Frente Pareto obtenido con las cinco corridas, usando MOA) Y MOACS (Frente Pareto obtenido con las cinco corridas, usando MOACS) Y MMA (Frente Pareto obtenido con las cinco corridas, usando MMA) 5. Un conjunto de soluciones fue obtenido como: = Y M3AS Y MOA Y MOACS Y MMA 6. Las soluciones dominadas fueron eliminadas de, y una aproximación de Y true, llamado Y apr, fue finalmente creado.
10 La Tabla 3 presenta la cantidad de soluciones de Y apr de cada grupo multicast (GM) para cada nivel de carga de la red. Tabla 3. Número de soluciones pertenecientes a Y apr de cada grupo multicast. Y apr GM 1 GM 2 GM 3 GM 4 Pruebas Estáticas Baja Carga Semi Media Carga Dinámicas Alta Carga Los métodos de comparación en cada experimento fueron comparados con la cantidad de soluciones contribuidas a Y apr y la cobertura de soluciones entre algoritmos. La cobertura indica que cantidad de soluciones dominadas entre algoritmos. Las Tablas de comparaciones y coberturas usan las siguientes notaciones: Y alg es el promedio del número de soluciones del frente Pareto calculado por cada algoritmo. Ejemplo para el M3AS, Y alg = Y M3AS. Y apr Y alg es el promedio del número de soluciones que pertenecen a la vez al frente Pareto calculado por cada algoritmo Y alg y también en el frente Pareto aproximado Y apr. Y apr Y alg es el promedio del número de soluciones del frente Pareto calculado por cada algoritmo Y alg que son dominados por el frente Pareto aproximado Y apr. %Y apr es el promedio del porcentaje de soluciones halladas del frente Pareto aproximado Y apr, i.e. 100.( Y apr Y alg )/( Y apr ). 6 Resultados Experimentales En esta sección son presentados los resultados globales para cada grupo multicast en cada prueba (estática y semi-dinámica). Dichos resultados están presentados en las Tablas 4 y 5 respectivamente. Tabla 4. Promedio Global de las Pruebas Estáticas. Comparación de Soluciones con Y apr Cobertura Y apr Y alg Y apr Y alg Y alg %Y apr Y M3AS Y MOA Y MOACS Y MMA Y M3AS Y MOA Y MOACS Y MMA Se puede concluir brevemente en estas pruebas que el MOACS fue el mejor por tener mayor porcentaje de soluciones halladas del Frente Pareto (82.34%) y menor cantidad de sus soluciones dominadas con respecto al resto de los algoritmos (0, 0.05 y 0.14). Además, el MOA y el M3AS tienen mayor porcentaje de soluciones
11 pertenecientes al Y apr (49.69% y 58.44%) en comparación al MMA que solo alcanzó un 49.27%. Tabla 5. Promedio Global de las Pruebas Dinámicas. Comparación de Soluciones con Y apr Cobertura Y apr Y alg Y apr Y alg Y alg %Y apr Y M3AS Y MOA Y MOACS Y MMA Y M3AS Y MOA Y MOACS Y MMA En estas pruebas puede notarse que el MOACS obtuvo el mayor porcentaje de soluciones pertenecientes al Y apr (56.59%), además obtuvo mayor cobertura sobre M3AS y MOA (6.7 y 7.98 respectivamente). Sin embargo, puede notarse que el MMA logró dominar más soluciones del MOACS (4.11), mientras que sus soluciones fueron dominadas en solo El segundo mejor algoritmo fue el M3AS con el 21.66% de las soluciones alcanzadas, quedando en tercer lugar el MOA con 18.68% incluso superior al logrado por el MMA con solo 16.82%. Claramente con estas soluciones notamos que hasta el algoritmo basado en ACO con más pobre desempeño es mejor que el MMA. 7 Conclusiones, Aportes y Trabajos Futuros En años recientes ha surgido una novedosa metaheurística conocida como Ant Colony Optimization ACO que fue exitosamente utilizado en varios problemas combinacionales, y por primera vez este trabajo propone utilizarlo en la resolución del problema de enrutamiento multicast multiobjetivo, donde se optimizan simultáneamente cuatro funciones objetivos: utilización máxima de los enlaces α T, costo del árbol C T, retardo medio DA T y máximo DM T. Desde el punto de vista teórico, esto constituye un claro aporte a las Ciencias de Computación, pues se propone una nueva alternativa de solución basado en ACO, debido que el problema solo ha sido resuelto en un contexto puramente multiobjetivo con los algoritmos evolutivos [1, 2, 3] [9, 10, 11]. Para resolver este problema se propuso re-estructurar tres de los mejores algoritmos basado en ACO: Max-Min Ant System - MMAS, Ómicrom ACO - OA y el Multiobjective Ant Colony Optimization - MOACS. Debido que el MMAS y el OA son algoritmos mono-objetivos, este trabajo propone por primera vez una versión multiobjetivo, por lo cuál estos fueron re-nombrados como Multobjective Max-Min Ant System M3AS y Multiobjective Ómicrom ACO - MOA respectivamente. Además el MOACS es utilizado por primera vez en la optimización de cuatro objetivos simultáneamente, para lo cuál fueron necesarios otros ajustes importantes en su estructura funcional. Desde el punto de vista de la metaheuristica ACO esto constituye un aporte significativo al proponer por primera vez la versión multiobjetivo de varios algoritmos mono-objetivos.
12 Los algoritmos propuestos fueron evaluados sobre varios grupos multicast de distintos tamaños en la red NTT de Japón. Además las pruebas se dividieron en Pruebas Estáticas y Semi-Dinámicas, en las cuales los algoritmos deben hallar un conjunto entero de soluciones óptimas Pareto para cada grupo multicast. En las Pruebas Estáticas la red se encuentra vacía y el objetivo es verificar el funcionamiento de los algoritmos a muy baja carga en la red. En las pruebas Semi-Dinámicas la red se encuentra con tráfico inicial. En estas pruebas se tomaron tres niveles de tráfico inicial: baja carga (0-0.4 de utilización de enlaces), media carga ( de utilización de enlaces) y saturación (0.7-1 de utilización de enlaces). Para validar las nuevas alternativas, estás fueron comparadas con el Multiobjective Multicast Algorithm - MMA, el cuál es un algoritmo genético basado en un algoritmo evolutivo de segunda generación Strength Pareto Evolutionary Algorithm - SPEA. El MMA fue diseñado exclusivamente para el problema de enrutamiento multicast en un contexto puramente multiobjetivo. Se puede concluir según los resultados, tanto de las extensas Pruebas Estáticas como de las Semi-Dinámicas, que las nuevas versiones M3AS, MOA & MOACS son buenas alternativas para la resolución del problema de Ingeniería de Tráfico Multicast al obtener en general buenas soluciones en comparación al MMA. Quedando claro el mejor desempeño fue logrado por el MOACS, por lo cual este trabajo sugiere como la mejor alternativa a ser utilizada en el enrutamiento multicast. De forma a continuar con el trabajo iniciado, los siguientes tópicos son propuestos como trabajos futuros: Evaluación comparativa de M3AS, MOA, MOACS con otros algoritmos multiobjetivos. Utilización de las propuestas ACOs a problema de enrutamiento multicast sobre redes ópticas. Considerando que la optimización con más de cuatro funciones objetivos no es trivial en los enfoques ACO, sería muy interesante optimizar mayor cantidad de funciones objetivos como: jitter, tamaño de paquetes encolados, números de saltos, etc. Estudio e implementación de las nuevas propuestas en esquemas con múltiples árboles y múltiples flujos. Referencias 1. A. Tanenbaum, Computer Networks, Prentice Hall 4º Edition, P. Ravikumar, y R. Bajpai, Source-based delay bounded multicasting in multimedia networks, Computer Communications, Vol. 21, 1998, páginas M. Dorigo y G. Di Caro. The Ant Colony Optimization meta-heuristic. En D. Corne, M. Dorigo, y F. Glover, editores, New Ideas in Optimization, páginas McGraw Hill, London, UK, T. Stützle y H. Hoos. MAX-MIN Ant System. Future Generation Computer System. 16(8): páginas , junio O. Gómez y B. Barán. Òmicron ACO. En Proceedings de la Conferencia Latinoamericana en Informática (CLEI 04). Septiembre 2004.
13 6. M. Schaerer y B. Barán. A Multiobjective Ant Colony System For Vehicle Routing Problem With Time Windows, IASTED International Conference on Applied Informatics, Innsbruck, Austria, C. García-Martínez, O. Cordón y F. Herrera, An Empirical Analysis of Multiple Objective Ant Colony Optimization Algorithms for the Bi-criteria TSP. En M. Dorigo, M. Birattari, C.Blum, L. M. Gambardella, F. Mondada, y T. Stützle, editores, Proceedings of ANTS Fourth International Workshop on Ant Colony Optimization and Swarm Intelligence. Tomo 3172 de LNCS. Springer-Verlag, Bruselas, septiembre R. Sosa y B. Barán, A New Approach for Antnet Routing, IEEE International Conference on Computer Communication and Networks (ICCCN 2000), USA, J. Crichigno y B. Barán. Multiobjective Multicast Routing Algorithm for Traffic Engineering. IEEE ICCCN 2004, Chicago, US, J. Crichigno y B. Barán. Multiobjective Multicast Routing Algorithm. IEEE ICT 2004, Ceará, Brasil, J. Crichigno y B. Barán, A Multicast Routing Algorithm Using Multiobjective Optimization. IEEE ICT 2004, Ceará, Brasil, E. Zitzler, y L. Thiele, Multiobjective Evolutionary Algorithms: A comparative Case Study and the Strength Pareto Approach, IEEE Trans. Evolutionary Computation, Vol. 3, No. 4, 1999, páginas Y. Yang, J. Wang, C. Qiao. Nonblocking WDM Multicast Switching Networks. IEEE Computer Society December 2000 (Vol. 11, No. 12) páginas
Comparación de Algoritmos Evolutivos Multi-Objetivos en un ambiente Multicast.
Comparación de Algoritmos Evolutivos Multi-Objetivos en un ambiente Multicast. Francisco Talavera +, Joel Prieto +, Jorge Crichigno +*, Benjamín Barán +* ftalavera@yahoo.com.ar, jprieto@telesurf.com.py,
Más detallesAlgoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesENRUTAMIENTO MULTICAST MULTIOBJETIVO
ENRUTAMIENTO MULTICAST MULTIOBJETIVO BASADO EN COLONIA DE HORMIGAS Diego Pedro Pinto Roa PROYECTO FINAL DE TESIS Orientador: Prof. Benjamín Barán, D.Sc. Ingeniería Electrónica Facultad de Ciencias y Tecnología
Más detallesAlgoritmos de Optimización multi-objetivos basados en colonias de hormigas
Algoritmos de Optimización multi-objetivos basados en colonias de hormigas Julio Manuel Paciello Coronel Universidad Nacional de Asunción, Facultad Politécnica San Lorenzo, Paraguay, Casilla de Correos
Más detallesOptimización basada en Colonia de Hormigas
Capítulo 11 Optimización basada en Colonia de Hormigas 11.1 Introducción Optimización de colonia de hormigas (ant colony optimization o ACO) está inspirado en el rastro y seguimiento de feromonas realizado
Más detallesMetaheurísticas. Seminario 4. Problemas de optimización con técnicas basadas en adaptación social
Metaheurísticas Seminario 4. Problemas de optimización con técnicas basadas en adaptación social 1. Diseño de Componentes para Resolver un Problema con un Algoritmo de Optimización Basada en Colonias de
Más detallesResolución de problemas de búsqueda
Resolución de problemas de búsqueda Memoria de Prácticas de Segunda Entrega 26 de noviembre de 2007 Autores: Mariano Cabrero Canosa cicanosa@udc.es Elena Hernández Pereira elena@udc.es Directorio de entrega:
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesOptimización de Colonia de Hormigas para resolver el problema de Distribución en Planta
Optimización de Colonia de Hormigas para resolver el problema de Distribución en Planta Luis Felipe Romero Dessens, José Alberto González Anaya y Luis Manuel Lozano Cota Universidad de Sonora, Departamento
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS COLONIAS DE HORMIGAS ÍNDICE 1. Colonias de hormigas naturales 2. La
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detalles1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Más detallesTEMA 11 CONMUTACIÓN DE PAQUETES
TEMA 11 CONMUTACIÓN DE PAQUETES La conmutación de circuitos fue diseñada para transmisión de voz o Recursos dedicados a una llamada en particular o Parte considerable del tiempo la conexión de datos no
Más detallesAlgoritmo Multiobjetivo Inspirado en el Comportamiento de las Luciérnagas para Resolver el Problema RWA
Algoritmo Multiobjetivo Inspirado en el Comportamiento de las Luciérnagas para Resolver el Problema RWA Álvaro Rubio-Largo, Miguel A. Vega-Rodríguez, Juan A. Gómez-Pulido y Juan M. Sánchez-Pérez Resumen
Más detallesOptimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona
82 IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 2, MAY 2007 Optimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona Mario
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesCAPITULO 6 SIMULACIONES Y RESULTADOS
CAPITULO 6 SIMULACIONES Y RESULTADOS En este capítulo se scriben las simulaciones y resultados uno las pruebas ejecutados para la evaluación la metodología propuesta para el planeamiento sistemas medición.
Más detalles1.1 CASO DE ESTUDIO: JUEGO DE CRAPS
. CASO DE ESTUDIO: JUEGO DE CRAPS El juego de Craps se practica dejando que un jugador lance dos dados hasta que gana o pierde, el jugador gana en el primer lanzamiento si tiene como total 7 u, pierde
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesCAPITULO III. Determinación de Rutas de Entregas
CAPITULO III Determinación de Rutas de Entregas Un importante aspecto en la logística de la cadena de abastecimiento (supply chain), es el movimiento eficiente de sus productos desde un lugar a otro. El
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesI. Complejidad de Problemas
I. Complejidad de Problemas 1. Complejidad de Problemas Tópicos Clasificación de Problemas Clasificación por su Naturaleza Clasificación por su Tratabilidad Clasificación por el tipo de Respuesta 1.1 Clasificación
Más detallesECUACIÓN DE LA RECTA
MATEMÁTICA SEMANA 2 ECUACIÓN DE LA RECTA Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está permitido copiar, reproducir, reeditar, descargar,
Más detallesOptimización mediante algoritmo de hormigas aplicado a la recolección de residuos sólidos en UNAM-CU
Optimización mediante algoritmo de hormigas aplicado a la recolección de residuos sólidos en UNAM-CU Elizabeth Mancera-Galván, Beatriz A. Garro-Licón, Katya Rodríguez-Vázquez IIMAS-UNAM, Ciudad Universitaria,
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesTecnológico Nacional de México INSTITUTO TECNOLÓGICO DE SALINA CRUZ
Tecnológico Nacional de México INSTITUTO TECNOLÓGICO DE SALINA CRUZ UNIDAD 2: ENRUTAMIENTO ESTÁTICO Y DINÁMICO ACTIVIDAD: TRABAJO DE INVESTIGACIÓN 1 MATERIA: REDES DE COMPUTADORAS DOCENTE: SUSANA MÓNICA
Más detallesColoración de grafos
Alumno: Grupo: Coloración de grafos Comencemos planteando el problema de dar color a las regiones de un mapa plano de modo que a regiones vecinas se les asigne distinto color. Este problema puede ser resuelto
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesEstado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
Más detallesProblemas de Transbordo
Universidad Nacional de Ingeniería UNI-Norte Problemas de Transbordo III Unidad Temática MSc. Ing. Julio Rito Vargas II semestre 2008 El problema de transbordo Un problema de transporte permite sólo envíos
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesElementos Diagramas de Clases Clase:
Diagramas de Clases Un diagrama de clases o estructura estática muestra el conjunto de clases y objeto importantes que forman parte de un sistema, junto con las relaciones existentes entre clases y objetos.
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesBIOINFORMÁTICA 2013-2014
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesRequerimientos de Qos en la Asignación Óptima de Lightpath Un enfoque multiobjetivo basado en MOEAs.
Requerimientos de Qos en la Asignación Óptima de Lightpath Un enfoque multiobjetivo basado en MOEAs. Carlos Núñez, Norihiko Isawa Investigación Informática, Universidad Nacional de Itapúa Campus Universitario
Más detallesSílabo del curso Investigación Operativa II
Sílabo del curso Investigación Operativa II Marzo julio 2013 VI Ciclo Profesor Luis Miguel Sierra 1 I. Datos generales del curso Asignatura : Investigación Operativa II Código : 03145 Requisito : Investigación
Más detallesExperiencia 2. Laboratorio de Redes 2010, UTFSM. Valparaíso, 25 de marzo de 2011
Experiencia 2 Laboratorio de Redes 2010, UTFSM Valparaíso, 25 de marzo de 2011 Índice 1. Simulación de Redes 3 1.1. Introducción.......................................... 3 1.2. Tipos de Simulación.....................................
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesSISTEMAS INFORMÁTICOS PROGRAMACION I - Contenidos Analíticos Ing. Alejandro Guzmán M. TEMA 2. Diseño de Algoritmos
TEMA 2 Diseño de Algoritmos 7 2. DISEÑO DE ALGORITMOS 2.1. Concepto de Algoritmo En matemáticas, ciencias de la computación y disciplinas relacionadas, un algoritmo (del griego y latín, dixit algorithmus
Más detallesUn modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling
Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling Jacob Meneses Angel, Marcela Rivera Martínez, Luis René Marcial Castillo, Sandoval Solís Lourdes Benemérita
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detalles1. (F, +) es un grupo abeliano, denominado el grupo aditivo del campo.
Capítulo 5 Campos finitos 5.1. Introducción Presentaremos algunos conceptos básicos de la teoría de los campos finitos. Para mayor información, consultar el texto de McEliece [61] o el de Lidl y Niederreiter
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesTEORÍA DE GRAFOS Ingeniería de Sistemas
TEORÍA DE GRAFOS Ingeniería de Sistemas Código: MAT-31114 AUTORES Ing. Daniel Zambrano Ing. Viviana Semprún UNIDADES DE LA ASIGNATURA» UNIDAD I. Relaciones» UNIDAD II. Estructuras Algebraicas» UNIDAD III.
Más detallesLey de enfriamiento de Newton considerando reservorios finitos
Ley de enfriamiento de Newton considerando reservorios finitos María ecilia Molas, Florencia Rodriguez Riou y Débora Leibovich Facultad de Ingeniería, iencias Exactas y Naturales Universidad Favaloro,.
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detalles2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
Más detallesDIPLOMADO. Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N.
DIPLOMADO Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N. Trabajo Final Propuesta Metodológica del área de Ciencias
Más detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesInicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.
5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesTema: Los Grafos y su importancia para la optimización de redes.
Tema: Los Grafos y su importancia para la optimización de redes. Qué son los Grafos? Un grafo es una dupla G= {X,U}, donde X es un conjunto finito y no vacio de elementos llamados vértices y U es el conjunto
Más detallesNombre de la asignatura : Sistemas de Computación Código : Nivel (semestre de la carrera) : 7 : Ingeniería Civil Informática Nº de créditos : 4
I IDENTIFICACION Nombre de la asignatura : Sistemas de Computación Código : 503429 Nivel (semestre de la carrera) : 7 Carrera : Ingeniería Civil Informática Nº de créditos : 4 Duración : Un semestre Pre-requisitos
Más detallesPROCEDIMIENTO APLICACIÓN CRITERIO DE SEGURIDAD N-1
Versión 23? PROCEDIMIENTO APLICACIÓN CRITERIO DE SEGURIDAD N-1 Preparada para: Marzo, 2014 M 1432 PROCEDIMIENTO APLICACIÓN DE CRITERIO DE SEGURIDAD N-1 INDICE CAPÍTULO I OBJETIVO, ALCANCE Y DEFINICIONES...
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesINSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA Pobre del estudiante que no aventaje a su maestro. LA LÍNEA RECTA Leonardo da Vinci DESEMPEÑOS Identificar, interpretar, graficar
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesGENERACIÓN DE REGLAS DIFUSAS CON BUEN NIVEL DE COOPERACIÓN MEDIANTE ALGORITMOS DE HORMIGAS
GENERACIÓN DE REGLAS DIFUSAS CON BUEN NIVEL DE COOPERACIÓN MEDIANTE ALGORITMOS DE HORMIGAS Jorge Casillas DECSAI, E.T.S.I. Informática Universidad de Granada 18071 casillas@decsai.ugr.es Óscar Cordón DECSAI,
Más detallesObjetivos formativos de Matemática Discreta. Tema 1: Conjuntos, aplicaciones y relaciones
Objetivos formativos de Matemática Discreta Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesEvaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete
Trabajo de fin del curso SimSEE 2, Grupo 1, pág 1/9 Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete Magdalena
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
Más detallesPLANIFICACIÓN ANUAL NM3 TERCERO MEDIO
PLANIFICACIÓN ANUAL NM3 TERCERO MEDIO TERCER AÑO FORMACIÓN GENERAL OBJETIVOS FUNDAMENTALES CONTENIDOS MINIMOS SUGERENCIAS DE ACTIVIDADES. Los alumnos y las alumnas desarrollarán la capacidad de : Resolver
Más detallesALGORITMOS DE CONTROL, DE CONGESTIÓN. REDES DE COMPUTADORAS 1. Manuel de Jesús López Martínez.
ALGORITMOS DE CONTROL, DE CONGESTIÓN REDES DE COMPUTADORAS 1. Manuel de Jesús López Martínez. POLÍTICAS DE PREVENCIÓN DE CONGESTIÓN EN CAPAS DE TRANSPORTE, RED Y ENLACE DE DATOS. Sistemas de ciclo abierto.
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesRESOLUCIÓN INTERACTIVA DEL SIMPLEX
RESOLUCIÓN INTERACTIVA DEL SIMPLEX Estos materiales interactivos presentan la resolución interactiva de ejemplos concretos de un problema de P.L. mediante el método Simplex. Se presentan tres situaciones:
Más detallesDOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesMulticast Óptico bajo restricciones de capa óptica. Un enfoque multiobjetivo basado en Optimización por Enjambre de Partículas.
Multicast Óptico bajo restricciones de capa óptica. Un enfoque multiobjetivo basado en Optimización por Enjambre de Partículas. Alcides Báez Facultad de Ingeniería Universidad Católica de Encarnación abaez@uca.py
Más detallesEl TAD Grafo. El TAD Grafo
Objetivos! Estudiar la especificación del TAD Grafo! Presentar diferentes alternativas de implementación! Conocer los algoritmos más importantes de manipulación de grafos Contenidos.1 Conceptos. Especificación
Más detallesUnidad Académica Profesional UAEM Tianguistenco, Paraje El Tejocote, San Pedro Tlaltizapán, Tianguistenco, México CP 52640
Estudio de Tres Algoritmos Heurísticos para Resolver un Problema de Distribución con Ventanas de Tiempo: Sistema por Colonia de Hormigas, Búsqueda Tabú y Heurístico Constructivo de una Ruta Manuel González
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesUnidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Más detallesSolución de sistemas de ecuaciones lineales: Métodos de Jácobi y Gauss-Seidel
Solución de sistemas de ecuaciones lineales: Métodos de Jácobi y Gauss-Seidel Ing Jesús Javier Cortés Rosas M en A Miguel Eduardo González Cárdenas M en A Víctor D Pinilla Morán Facultad de Ingeniería,
Más detallesPROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Más detallesDEPARTAMENTO DE MATEMATICAS Y FISICA Matemáticas Discreta
DEPARTAMENTO DE MATEMATICAS Y FISICA Matemáticas Discreta SUCESIONES Y RELACIONES DE RECURRENCIA Esta última sección la dedicamos a presentar el concepto de recurrencia, que esta muy ligado al axioma de
Más detalles3. Métodos clásicos de optimización lineal
3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema
Más detallesÍNDICE 3.- PROGRAMAS DE FORMACIÓN BASADOS EN NORMAS DE COMPETENCIA LABORAL
Proceso metodológico para el diseño de programas de formación basados en normas de competencia laboral SANTO DOMINGO, R. D. 1999 ÍNDICE 1.- INTRODUCCIÓN 2.- OBJETIVO 3.- PROGRAMAS DE FORMACIÓN BASADOS
Más detallesColonias Distribuidas de Hormigas en un Entorno Paralelo Asíncrono
Resumen Colonias Distribuidas de Hormigas en un Entorno Paralelo Asíncrono D.Sc. Benjamín Barán 1 bbaran@cnc.una.py Centro Nacional de Computación Universidad Nacional de Asunción Casilla de Correos 1439
Más detallesSistemas de ecuaciones no lineales
Práctica 6 Sistemas de ecuaciones no lineales En esta práctica revisaremos algunos métodos básicos para la resolución numérica de sistemas de ecuaciones no lineales 61 Método iterativo del punto fijo Partimos
Más detallesFUERZAS CONCURRENTES. Lorena Vera Ramírez 1, Iván Darío Díaz Roa 2. RESUMEN
FUERZAS CONCURRENTES Lorena Vera Ramírez 1, Iván Darío Díaz Roa 2. RESUMEN En este laboratorio lo que se hizo inicialmente fue tomar diferentes masas y ponerlas en la mesa de fuerzas de esa manera precisar
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL
VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL PROGRAMA: PROGRAMACION I CÓDIGO ASIGNATURA: 1215-208 PRE-REQUISITO: 1215-102 SEMESTRE: II (SEGUNDO) UNIDADES
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesUniversidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 9
IO04001 Investigación de Operaciones I Tema # 9 Otras aplicaciones del método simplex Objetivos de aprendizaje Al finalizar el tema serás capaz de: Distinguir y aplicar la técnica de la variable artificial.
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS. CARRERA: INGENIERÍA EN INFORMÁTICA. ACADEMIAS: INVESTIGACIÓN DE OPERACIONES. COORDINACIÓN: DEPARTAMENTO
Más detalles